Segmentacja danych MLS z użyciem procedur Point Cloud Library

• Autorzy: Grochowska M.

Warianty tytułu

EN

MLS data segmentation using Point Cloud Library procedures

• Języki publikacji: PL

Abstrakty

PL

Mobilny skaning laserowy jest dynamicznie rozwijającą się technologią pomiarową, która staje się coraz bardziej powszechna w zakresie pozyskiwania trójwymiarowej informacji przestrzennej. W artykule przedstawiono wstępne wyniki segmentacji danych pozyskanych techniką MLS. Dane użyte w niniejszej pracy pozyskano w ramach pomiaru inwentaryzacyjnego infrastruktury linii kolejowej na odcinku Warszawa Zachodnia – Rembertów. Pomiar chmury punktów zrealizowano za pomocą zespołu skanerów profilowych zainstalowanych na platformie kolejowej. Proces segmentacji wykonano przy zastosowaniu narzędzi programu ‘open source’ Point Cloud Library. Wykorzystano szablony biblioteki PCL, która zawiera algorytmy segmentacji do odrębnych klasterów. Algorytmy te są najlepiej dostosowane do przetwarzania chmury punktów, składającej się z określonej liczby izolowanych przestrzennie regionów. Szablon biblioteki wykonuje ekstrakcję klastra w oparciu o dopasowanie modelu poprzez metody konsensusu próbek dla różnych parametrycznych modeli (płaszczyzny, walce, kule, linie, itp.). Większość operacji matematycznych jest realizowana na podstawie biblioteki Eigen, zbioru szablonów algebry liniowej. W niniejszym referacie przedstawiono szereg zagadnień związanych z zastosowaniem oprogramowania PCL i jego możliwościami.

EN

Mobile laser scanning is dynamically developing measurement technology, which is becoming increasingly widespread in acquiring three-dimensional spatial information. Continuous technical progress based on the use of new tools, technology development, and thus the use of existing resources in a better way, reveals new horizons of extensive use of MLS technology. Mobile laser scanning system is usually used for mapping linear objects, and in particular the inventory of roads, railways, bridges, shorelines, shafts, tunnels, and even geometrically complex urban spaces. The measurement is done from the perspective of use of the object, however, does not interfere with the possibilities of movement and work. This paper presents the initial results of the segmentation data acquired by the MLS. The data used in this work was obtained as part of an inventory measurement infrastructure railway line. Measurement of point clouds was carried out using a profile scanners installed on the railway platform. To process the data, the tools of ‘open source' Point Cloud Library was used. These tools allow to use templates of programming libraries. PCL is an open, independent project, operating on a large scale for processing 2D/3D image and point clouds. Software PCL is released under the terms of the BSD license (Berkeley Software Distribution License), which means it is a free for commercial and research use. The article presents a number of issues related to the use of this software and its capabilities. Segmentation data is based on applying the templates library pcl_segmentation, which contains the segmentation algorithms to separate clusters. These algorithms are best suited to the processing point clouds, consisting of a number of spatially isolated regions. Template library performs the extraction of the cluster based on the fit of the model by the consensus method samples for various parametric models (planes, cylinders, spheres, lines, etc.). Most of the mathematical operation is carried out on the basis of Eigen library, a set of templates for linear algebra.

Słowa kluczowe

PL

segmentacja; Point Cloud Library; chmura punktów; RANSAC; mobilny skaning laserowy

EN

segmentation; Point Cloud Library; point cloud; RANSAC; mobile laser scanning

• Wydawca: Zarząd Główny Stowarzyszenia Geodetów Polskich
• Czasopismo: Archiwum Fotogrametrii, Kartografii i Teledetekcji
• Rocznik: 2013
• Tom: Vol. 25
• Strony: 67--76
• Opis fizyczny: Bibliogr. 6 poz.

Twórcy

autor

Grochowska M.

• Zakład Fotogrametrii, Instytut Geodezji i Kartografii

Bibliografia

• 1. Boulaassal H., Landes T., Grussenmeyer P., Tarsha-Kurdi F., 2007. Automatic segmentation of building facades using terrestrial laser data. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Espoo, Finland, Vol. XXXVI, Part 3 / W52, s. 65-70.
• 2. Choi S., Kim T., Yu W., 2009. Performance Evaluation of RANSAC Family. The British Machine Vision Conference, London, UK. http://www.bmva.org/bmvc/2009/Papers/Paper355/Paper355.pdf
• 3. Fischler, A., Bolles, C., 1981. Random sample concensus: a paradigm for model fitting with applications to image analysis and automated cartography. Communications of the ACM, 24(6), s. 381–395.
• 4. Schnabe R., Wahl R., Klein R., 2007. Efficient RANSAC for point-cloud shape detection. Computer Graphics Forum, 26 (2), s. 214–226. Deschaud J.E., Goulette F., 2010. A fast and accurate plane detection algorithm for large noisy point clouds using filtered normals and voxel growing. Proceedings of the Fifth International Symposium on 3D Data Processing, Visualization and Transmission (3DPVT'10), Paris, 5. France. https://diglib.eg.org/EG/DL/PE/3DPVT/3DPVT2010Papers/29_paper111.pdf
• 6. PointCloudLibrary, 2012: http://www.pointclouds.org